| Tez Türü | Yüksek Lisans |
| Ülke | Türkiye |
| Üniversite | Karabük Üniversitesi |
| Enstitü | Lisansüstü Eğitim Enstitüsü |
| Anabilim Dalı | Bilgisayar Mühendisliği Anabilim Dalı |
| Tez Onay Yılı | 2025 |
| Öğrenci Adı ve Soyadı | Abdullah Furkan YEĞİN |
| Tez Danışmanı | PROF. DR. İSMAİL RAKIP KARAŞ ; DR. ÖĞR. ÜYESİ SOHAIB K M ABUJAYYAB |
| Türkçe Özet | Bu çalışmada, Sentinel-2 uydu görüntülerinin beş farklı sınıfa ayrılmasında makine öğrenmesi algoritması olan Çok Katmanlı Algılayıcı (MLP) modeli ile doğadan esinlenilmiş optimizasyon algoritmalarının (Karınca Kolonisi Optimizasyonu, Balina Optimizasyon Algoritması, Parçacık Sürü Optimizasyonu, Genetik Algoritma ve Yapay Arı Kolonisi) performansları karşılaştırmalı olarak incelenmiştir. Hazırlanan uydu görüntüleri veri seti, RGB, NIR ve SWIR bantları dahil olmak üzere toplam 9 spektral bantı içeren 3000 örnekten oluşmaktadır. Araştırma sonuçları, hiperparametre optimizasyonu uygulanan MLP modelinin %90.8 doğruluk, %90.7 F1-Score ve %98.1 ROC-AUC değerleri ile en yüksek performansı sergilediğini ortaya koymuştur. Bu performans, Balina Optimizasyon Algoritması (%83.6), Karınca Kolonisi Optimizasyonu (%81.9), Yapay Arı Kolonisi (%83.5) ve Genetik Algoritma (%83.6) gibi diğer yöntemlerin doğruluk oranlarını aştığı görülmüştür. MLP modeli hiperparametre optimizasyon teknikleriyle spektral bantlar arasındaki karmaşık ilişkileri etkili bir şekilde modelleyebilmesiyle başarı göstermiştir. Elde edilen bulgular, yüksek boyutlu multispektral verilerin sınıflandırılmasında optimize edilmiş MLP modellerinin, tarım alanı izleme, orman örtüsü haritalama ve kentsel değişim analizi gibi hassas uzaktan algılama uygulamalarında güvenilir ve etkili bir yaklaşım sunduğunu göstermektedir. |
| İlgilizce Özet | In this study, the performance of the Machine Learning-based Multi-Layer Perceptron (MLP) model and nature-inspired optimization algorithms (Ant Colony Optimization, Whale Optimization Algorithm, Particle Swarm Optimization, Genetic Algorithm, and Artificial Bee Colony) was comparatively examined for the classification of Sentinel-2 satellite images into five different classes. The prepared satellite image dataset consists of 3000 samples, each containing a total of 9 spectral bands, including RGB, NIR, and SWIR. The research results revealed that the MLP model with hyperparameter optimization achieved the highest performance, with 90.8% accuracy, 90.7% F1-Score, and 98.1% ROC-AUC. This performance surpassed the accuracy rates of other methods such as Whale Optimization Algorithm (83.6%), Ant Colony Optimization (81.9%), Artificial Bee Colony (83.5%), and Genetic Algorithm (83.6%). The success of the MLP model is attributed to its ability to effectively model complex relationships between spectral bands through hyperparameter optimization. The findings indicate that optimized MLP models offer a reliable and effective approach for classifying high-dimensional multispectral data in precision remote sensing applications such as agricultural monitoring, forest cover mapping, and urban change analysis. |